[发明专利]基于双向循环神经网络的室内轨迹预测方法

说明书

本发明公开一种基于双向循环神经网络的室内轨迹预测方法，该方法包括以下步骤：步骤一、室内空间预处理；步骤二、把室内定位得到的轨迹集中的目的地进行聚类；步骤三、利用室内定位技术，得到需要预测目标的采样点序列；步骤四、采样点序列校准；步骤五、根据室内轨迹预测问题特点，改进双向循环神经网络的结构。利用自适应梯度调节器进行训练，调节embedding列表的数据，使得偏差最小。将经过校准的采样点序列输入到改进后的双向循环神经网络中，进行目的地预测。本发明提出的算法，可以很好的对室内移动目标的轨迹进行预测；利用历史轨迹集解决了室内空间连通性问题；采样点序列校准保证了得到的采样点不会受数据稀疏性的影响，提高了预测的准确性。

技术领域

本发明涉及双向循环神经网络及室内定位

背景技术

在人们的日常生活中，每天都会产生大量的轨迹，虽然近年来有很多关于移动目标轨迹的分析，但是大部分是针对室外行为的，产生了很好的实验效果。事实上人们在室内同样产生了大量的轨迹，但是室内外空间的测量方法、空间连通性均有很大不同，室外是典型的空间网或者欧几里得空间，室内是由网格定义的空间组成，并且室内空间上相邻的网格在物理上未必连通，例如室内相邻两个房间的网格在空间上是连通的，但是由于墙体的限制，物理上并不连通为室内目标的轨迹分析造成了很大的影响。同时GPS技术无法对室内物体进行定位，无法对室内运动行为进行分析。

目前提出的最新室内定位技术将无线网络与深度地图的结合，仅利用用户携带的智能手机与安装的廉价的传感器，显著的提高了室内定位系统的有效性及普遍性；通过权重融合的方法对WiFi室内定位算法进行了改进，有效地解决了WiFi室内定位精确性的问题。为记录室内目标轨迹提供了大量有效信息。但目前室内定位技术得到的定位数据存在数据稀疏性的问题，对于预测移动目标的目的地有很大影响，甚至可能会得到完全相反的结果。

目前主要的目的地预测算法有利用隐马尔科夫模型和利用贝叶斯网推理的方法。但是无论是马尔科夫模型还是贝叶斯网在预测中均存在一定的局限性，不能保存过多的历史信息，无法有效解决室内目标预测的问题。双向循环神经网络(BRNN)是在循环神经网络(RNN)的基础上提出的，RNN隐含层之间的节点不再是无连接的，而是有连接的，并且隐含层的输入不仅包含输入层的输出，还包含上一时刻隐含层的输出。然而标准的RNN在时序上处理序列往往忽略了未来的上下文信息。因此在RNN的基础上，提出BRNN，基本思想是提出每一个训练序列分别是向前和向后的两个循环神经网络，而且均连接输出层。这个结构提供给输出层输入序列中每一个点的完整的过去和未来的上下文信息，弥补了传统的状态转移模型的缺陷。采样点序列的开始与结束部分对室内目标目的地预测有很大的影响，因此利用BRNN双向循环及保存历史轨迹的特点，充分利用开始与结束点对目的地预测的影响，提高预测的准确性。

综上所述，我们提出的基于双向循环神经网络的室内轨迹预测方法，利用室内定位技术得到的室内目标移动轨迹集，对室内参考空间进行预处理，然后对利用室内定位技术得到的采样点序列进行校准，解决数据稀疏性问题，最后将经过校准的采样点序列利用双向循环神经网络进行目的地的预测。

发明内容：

为解决现有的室内轨迹预测算法存在的问题，如室内外空间的差异，用于预测轨迹的采样点数据稀疏性，无法保存过多上下文信息等。本发明提出了一种基于双向循环神经网络的室内轨迹预测方法，发明内容主要包括：本预测方法的流程框架，根据室内定位技术对室内参考空间的预处理，对采样点序列的校准，以及将室内定位得到的经过校准轨迹应用到改进的双向循环神经网络中进行轨迹预测。

一种基于双向循环神经网络的轨迹预测方法，其特征在于：至少包括以下步骤：

步骤一、室内空间预处理；

根据室内定位得到的历史轨迹数据集对室内空间进行预处理，判断室内空间网格之间的连通性，将室内空间划分成若干区域；

步骤二、把室内定位得到的轨迹集中的目的地进行聚类；